女女女女女女BBBBBB毛,无码国产精品一区二区免费n嫖妓,亚洲精品无码中文久久字幕,精品一区久久电影

人工智能 (AI)在醫(yī)療健康領(lǐng)域的應(yīng)有實(shí)踐

“標(biāo)準(zhǔn)”醫(yī)療實(shí)踐的未來可能比預(yù)期更早出現(xiàn)，患者可以在看醫(yī)生之前先看電腦。通過人工智能 (AI) 的進(jìn)步，誤診和治療疾病癥狀而不是其根本原因的日子似乎有可能被拋在腦后。想想您有多少年的血壓測量結(jié)果，或者您需要?jiǎng)h除多少存儲(chǔ)空間才能在筆記本電腦上放置器官的完整 3D 圖像？通過常見的測試和醫(yī)學(xué)成像，在診所產(chǎn)生并存儲(chǔ)在電子病歷中的累積數(shù)據(jù)允許人工智能和高性能數(shù)據(jù)驅(qū)動(dòng)醫(yī)學(xué)的更多應(yīng)用。這些應(yīng)用程序已經(jīng)改變并將繼續(xù)改變醫(yī)生和研究人員解決臨床問題的方式。

然而，雖然一些算法可以在各種任務(wù)中與臨床醫(yī)生競爭，有時(shí)甚至優(yōu)于臨床醫(yī)生，但它們尚未完全融入日常醫(yī)療實(shí)踐。為什么？因?yàn)榧词惯@些算法可以對醫(yī)學(xué)產(chǎn)生有意義的影響并增強(qiáng)醫(yī)療干預(yù)的力量，但仍有許多監(jiān)管問題需要首先解決。

是什么讓算法變得智能？
與醫(yī)生通過多年的醫(yī)學(xué)教育、做作業(yè)和實(shí)踐考試、獲得成績和從錯(cuò)誤中學(xué)習(xí)的方式類似，人工智能算法也必須學(xué)習(xí)如何完成他們的工作。通常，AI 算法可以完成的工作是需要人類智能才能完成的任務(wù)，例如模式和語音識(shí)別、圖像分析和決策制定。然而，例如，人類需要明確地告訴計(jì)算機(jī)他們將在他們提供給算法的圖像中尋找什么。簡而言之，人工智能算法非常適合自動(dòng)化艱巨的任務(wù)，有時(shí)可以在他們接受訓(xùn)練的任務(wù)中勝過人類。

為了生成有效的 AI 算法，計(jì)算機(jī)系統(tǒng)首先要接收通常結(jié)構(gòu)化的數(shù)據(jù)，這意味著每個(gè)數(shù)據(jù)點(diǎn)都有一個(gè)算法可識(shí)別的標(biāo)簽或注釋（圖 1）。在算法暴露于足夠多的數(shù)據(jù)點(diǎn)及其標(biāo)簽集后，會(huì)分析性能以確保準(zhǔn)確性，就像給學(xué)生進(jìn)行考試一樣。這些算法“考試”通常涉及輸入程序員已經(jīng)知道答案的測試數(shù)據(jù)，使他們能夠評估算法確定正確答案的能力。根據(jù)測試結(jié)果，可以修改算法、提供更多數(shù)據(jù)或推出以幫助編寫算法的人做出決策。

1：人工智能算法。
有許多不同的算法可以從數(shù)據(jù)中學(xué)習(xí)。人工智能在醫(yī)學(xué)中的大多數(shù)應(yīng)用都會(huì)讀取某種類型的數(shù)據(jù)，無論是數(shù)字?jǐn)?shù)據(jù)（例如心率或血壓）還是基于圖像的數(shù)據(jù)（例如MRI 掃描或活檢組織樣本圖像）作為輸入。然后算法從數(shù)據(jù)中學(xué)習(xí)并生成概率或分類。例如，可操作的結(jié)果可以是給定心率和血壓數(shù)據(jù)的動(dòng)脈凝塊的概率，或者將成像組織樣本標(biāo)記為癌性或非癌性。在醫(yī)療應(yīng)用中，將算法在診斷任務(wù)上的表現(xiàn)與醫(yī)生的表現(xiàn)進(jìn)行比較，以確定其在臨床中的能力和價(jià)值。

人工智能在醫(yī)學(xué)中的最新應(yīng)用
計(jì)算能力的進(jìn)步與醫(yī)療保健系統(tǒng)中生成的大量數(shù)據(jù)相結(jié)合，使許多臨床問題適合人工智能應(yīng)用。以下是準(zhǔn)確和臨床相關(guān)算法的兩個(gè)最新應(yīng)用，它們可以通過使診斷更加直接而使患者和醫(yī)生都受益。

這些算法中的第一個(gè)是在圖像分類任務(wù)中勝過醫(yī)生的算法的多個(gè)現(xiàn)有示例之一。2018 年秋季，首爾國立大學(xué)醫(yī)院和醫(yī)學(xué)院的研究人員開發(fā)了一種稱為DLAD（基于深度學(xué)習(xí)的自動(dòng)檢測）的 AI 算法來分析胸片并檢測異常細(xì)胞生長，例如潛在的癌癥（圖 2）。該算法的性能與多位醫(yī)生在相同圖像上的檢測能力進(jìn)行了比較，并超過了 18 位醫(yī)生中的 17 位。

AI 算法在醫(yī)學(xué)中的應(yīng)用。
這些算法中的第二個(gè)來自 Google AI Healthcare 的研究人員，同樣是在 2018 年秋季，他們創(chuàng)建了一種學(xué)習(xí)算法LYNA（淋巴結(jié)助手），該算法分析組織學(xué)切片染色的組織樣本）以識(shí)別來自淋巴結(jié)的轉(zhuǎn)移性乳腺癌腫瘤活組織檢查。這并不是 AI 首次嘗試進(jìn)行組織學(xué)分析，但有趣的是，該算法可以在給定的活檢樣本中識(shí)別人眼無法區(qū)分的可疑區(qū)域。LYNA 在兩個(gè)數(shù)據(jù)集上進(jìn)行了測試，結(jié)果顯示可以將樣本準(zhǔn)確分類為癌性或非癌性，正確率為 99%的時(shí)間。此外，當(dāng)醫(yī)生將其與染色組織樣本的典型分析結(jié)合使用時(shí)，LYNA 將平均幻燈片審查時(shí)間縮短了一半。

最近，其他基于成像的算法顯示出類似的能力來提高醫(yī)生的準(zhǔn)確性。在短期內(nèi)，醫(yī)生可以使用這些算法來幫助復(fù)核他們的診斷并在不犧牲準(zhǔn)確性的情況下更快地解釋患者數(shù)據(jù)。然而，從長遠(yuǎn)來看，政府批準(zhǔn)的算法可以在診所獨(dú)立運(yùn)行，讓醫(yī)生可以專注于計(jì)算機(jī)無法解決的病例。LYNA 和 DLAD 都是算法的主要示例，它們通過向醫(yī)生展示應(yīng)該更仔細(xì)研究的圖像的顯著特征來補(bǔ)充醫(yī)生對健康和患病樣本的分類。這些作品證明了算法在醫(yī)學(xué)中的潛在優(yōu)勢，那么是什么阻礙了它們的臨床應(yīng)用呢？

未來的監(jiān)管影響和算法限制
迄今為止，醫(yī)學(xué)中的算法已經(jīng)向醫(yī)生和患者展示了許多潛在的好處。然而，調(diào)節(jié)這些算法是一項(xiàng)艱巨的任務(wù)。美國食品藥品監(jiān)督管理局（FDA）批準(zhǔn)了一些輔助算法，但目前沒有通用的批準(zhǔn)指南。最重要的是，創(chuàng)建用于臨床的算法的人并不總是治療患者的醫(yī)生，因此在某些情況下，計(jì)算學(xué)家可能需要更多地了解醫(yī)學(xué)，而臨床醫(yī)生可能需要了解特定算法的任務(wù)或者不太適合。雖然人工智能可以幫助診斷和基本臨床任務(wù)，但很難想象自動(dòng)腦外科手術(shù)，例如，有時(shí)醫(yī)生一旦看到病人就必須立即改變他們的方法。以這種方式和其他方式，人工智能在醫(yī)學(xué)中的可能性目前超過了人工智能在患者護(hù)理方面的能力。然而，F(xiàn)DA 的澄清指南可以幫助指定算法的要求，并可能導(dǎo)致臨床部署算法的增加。

此外，F(xiàn)DA 對臨床試驗(yàn)有嚴(yán)格的驗(yàn)收標(biāo)準(zhǔn)，要求科學(xué)方法具有極高的透明度。許多算法依賴于非常復(fù)雜、難以解卷積的數(shù)學(xué)（有時(shí)稱為“黑匣子”）來從輸入數(shù)據(jù)到最終結(jié)果。無法“解開黑匣子”并闡明算法的內(nèi)部運(yùn)作是否會(huì)影響 FDA 批準(zhǔn)依賴人工智能的試驗(yàn)的可能性？大概?？梢岳斫獾氖牵芯咳藛T、公司和企業(yè)家可能不愿向公眾公開他們的專有方法，冒著被他人采納和強(qiáng)化他們的想法而蒙受損失的風(fēng)險(xiǎn)。如果專利法從目前的狀態(tài)發(fā)生變化，其中一種算法在技術(shù)上只有作為物理機(jī)器的一部分才能獲得專利，圍繞算法細(xì)節(jié)的歧義可能會(huì)減少。無論哪種方式，都必須在短期內(nèi)提高透明度，以免患者數(shù)據(jù)處理不當(dāng)或分類不當(dāng)，從而更容易確定算法在臨床中是否足夠準(zhǔn)確。

除了FDA批準(zhǔn)的障礙，AI算法在獲得患者的信任和批準(zhǔn)方面也可能面臨困難。如果批準(zhǔn)算法用于臨床使用的人不清楚算法的工作原理，患者可能不愿意讓它用于幫助滿足他們的醫(yī)療需求。如果被迫做出選擇，如果算法通常優(yōu)于醫(yī)生，那么患者是否寧愿被人類或算法誤診？對于許多人來說，這是一個(gè)很難回答的問題，但可能歸結(jié)為對算法的決策充滿信心。

正確的決策是用作輸入的數(shù)據(jù)結(jié)構(gòu)的函數(shù)，這對于正確的功能至關(guān)重要。對于誤導(dǎo)性數(shù)據(jù)，算法可能會(huì)給出誤導(dǎo)性結(jié)果。創(chuàng)建算法的個(gè)人很可能不知道他們提供的數(shù)據(jù)具有誤導(dǎo)性，直到為時(shí)已晚，并且他們的算法造成了醫(yī)療事故。通過充分了解在算法中正確使用數(shù)據(jù)所需的數(shù)據(jù)和方法，臨床醫(yī)生和程序員都可以避免這種錯(cuò)誤。通過在了解臨床數(shù)據(jù)細(xì)節(jié)的臨床醫(yī)生和創(chuàng)建算法的計(jì)算學(xué)家之間建立關(guān)系，算法學(xué)習(xí)做出錯(cuò)誤選擇的可能性就會(huì)降低。

臨床醫(yī)生對算法局限性的正確理解以及程序員對臨床數(shù)據(jù)的正確理解是創(chuàng)建可用于臨床的算法的關(guān)鍵。公司可能有必要犧牲其算法功能的秘密，以便更廣泛的受眾可以審查這些方法并指出可能最終影響患者護(hù)理的錯(cuò)誤來源。我們似乎離在診所獨(dú)立運(yùn)行的算法還很遠(yuǎn)，特別是考慮到缺乏明確的臨床批準(zhǔn)途徑。定義算法被認(rèn)為對診所足夠準(zhǔn)確所必需的質(zhì)量，同時(shí)解決算法決策中的潛在錯(cuò)誤來源，并對算法的成功之處和失敗之處保持透明，可以允許公眾接受在某些任務(wù)中取代醫(yī)生的算法。然而，為了普遍提高各種疾病醫(yī)療實(shí)踐的準(zhǔn)確性和效率，這些挑戰(zhàn)值得努力克服。